Denne siden ble automatisk oversatt og nøyaktigheten av oversettelsen er ikke garantert. Vennligst referer til engelsk versjon for en kildetekst.

Håndtering av pankreatiske cystiske lesjoner ved bruk av kunstig intelligens basert på EUS og multimodal data

5. mars 2026 oppdatert av: Bin Cheng, Huazhong University of Science and Technology

En multimodal kunstig intelligens-modell for subtypingdiagnostikk og klinisk håndtering av pankreatiske cystiske lesjoner basert på endoskopisk ultralyd og klinisk informasjon

Hovedmålet er å konstruere en multimodal AI-modell (Cyst-AI) basert på EUS-bilder og kliniske data som bildediagnostikk (CT eller MRI) og laboratorietester for å assistere endoskopister i diagnostiseringen av pankreatiske cystiske lesjoner (PCLs), hovedsakelig for å skille mellom mucinøse og ikke-mucinøse lesjoner.

Det sekundære målet er å evaluere modellens effektivitet i risikostratifisering og klinisk behandling for pasienter med PCLs.

Studieoversikt

Status

Rekruttering

Forhold

Intervensjon / Behandling

Detaljert beskrivelse

Med utviklingen av medisinsk bildebehandlingsteknologi har deteksjonsraten for pankreatiske cystiske lesjoner (PCLs) økt betydelig. Selv om de fleste cyster er godartede, har en betydelig undergruppe potensiale for ondartet transformasjon. Klinisk håndtering er basert på diagnose og risikostratifisering. For PCLer fører ulik diagnose og risikostratifisering til helt forskjellige kliniske strategier og utfall, som er nært knyttet til pasientenes livskvalitet, økonomiske byrde og psykologiske stress. Endoskopisk ultralyd (EUS) har spilt en avgjørende rolle i den videre differensialdiagnosen av PCLs. Kunstig intelligens (AI) har også vist stort potensial i klinisk diagnose og håndtering. Derfor planlegger vi å retrospektivt samle pasientenes EUS-bildedata, radiologiske og laboratorietester, og annen klinisk informasjon for å konstruere en modell kalt Cyst-AI som integrerer funksjonen av diagnose og klinisk håndtering, for å bistå i klinisk beslutningstaking.

Studietype

Observasjonsmessig

Registrering (Antatt)

500

Kontakter og plasseringer

Denne delen inneholder kontaktinformasjon for de som utfører studien, og informasjon om hvor denne studien blir utført.

Studiekontakt

Studiesteder

  • Kina
    • Hubei
      • Wuhan, Hubei, Kina, 430030
        • Rekruttering
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Ta kontakt med:
      • Wuhan, Hubei, Kina, 430030
        • Har ikke rekruttert ennå
        • Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology
        • Ta kontakt med:

Deltakelseskriterier

Forskere ser etter personer som passer til en bestemt beskrivelse, kalt kvalifikasjonskriterier. Noen eksempler på disse kriteriene er en persons generelle helsetilstand eller tidligere behandlinger.

Kvalifikasjonskriterier

Alder som er kvalifisert for studier

  • Voksen
  • Eldre voksen

Tar imot friske frivillige

Nei

Prøvetakingsmetode

Ikke-sannsynlighetsprøve

Studiepopulasjon

Kohorten vil bli valgt ut fra flere sykehus i Kina, inkludert Tongji Hospital, Tongji Medical College, HUST.

Beskrivelse

Inklusjonskriterier:

  • Pasienter hvis EUS-resultater indikerer pankreatiske cystiske eller cystoide lesjoner;
  • Mucinøse lesjoner: inkludert mucinøs cystisk neoplasi (MCN), intraduktal papillær mucinøs neoplasi (IPMN);
  • Ikke-mucinøse lesjoner: inkludert pankreatisk pseudocyste, serøs cystisk neoplasi (SCN), cystisk neuroendokrin tumor (cNET).

Eksklusjonskriterier:

  • Pasienter under 18 år;
  • Pasienter som har gjennomgått pankreaskirurgi før EUS-undersøkelsen;
  • Pasienter som har mottatt kjemoterapi og stråleterapi for pankreastumorer før EUS-undersøkelsen;
  • Patologiske resultater som indikerer at pankreaslesjonene er metastatiske lesjoner fra andre steder;
  • Pasienter hvor EUS-bilder eller rapporter mangler;
  • EUS-bildekvalitet som ikke oppfyller kravene for gjennomgang, for eksempel uklare bilder eller bilder som inneholder artefakter, biopsinåler, måleskalaer eller andre tilleggsmerknader som ikke er en del av det originale EUS-bildet;
  • Pasienter hvor den endelige diagnosen er uklar.

Studieplan

Denne delen gir detaljer om studieplanen, inkludert hvordan studien er utformet og hva studien måler.

Hvordan er studiet utformet?

Designdetaljer

Kohorter og intervensjoner

Gruppe / Kohort
Intervensjon / Behandling
Cyst-EUS
Pasienter før 2026 med EUS-bilder av pankreatiske cystiske lesjoner eller cystoide lesjoner har blitt inkludert i denne kohorten.
Diagnostisk test: Cyst-AI-modellen
De flersentersamlede dataene vil bli delt inn i et treningssett, et valideringssett og et testsett for utvikling og testing av cyst-AI-modellen.

Hva måler studien?

Primære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnosemodellens ytelse i å differensiere mellom mucinøse og ikke-mucinøse PCL-er
Tidsramme: Innen 3 måneder etter fullføring av diagnostisk modelltrening.
Ytelsen til Cyst-AI-diagnostikkmodellen vil bli evaluert ved bruk av området under mottakeroperasjonskarakteristikkkurven (AUC-ROC), med følsomhet, spesifisitet, nøyaktighet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) beregnet fra modellens prediksjoner på det uavhengige valideringsdatasettet. PCLs: pankreatiske cystiske lesjoner.
Innen 3 måneder etter fullføring av diagnostisk modelltrening.
Risikostratifiseringsytelsen til den kliniske ledelsesmodellen for mucinøse PCL-er
Tidsramme: Innen 3 måneder etter fullføring av risikostratifiseringsmodelltreningen.
Ytelsen til Cyst-AI risikostratifiseringsmodellen for å klassifisere lesjoner korrekt i "lav risiko", "mellomliggende risiko" og "høy risiko", vil bli evaluert ved å bruke arealet under mottakeroperasjonskarakteristikk-kurven (AUC-ROC), med følsomhet, spesifisitet, nøyaktighet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) beregnet fra modellens prediksjoner på det uavhengige valideringsdatasettet. PCLs: pankreatiske cystiske lesjoner.
Innen 3 måneder etter fullføring av risikostratifiseringsmodelltreningen.

Sekundære resultatmål

Resultatmål
Tiltaksbeskrivelse
Tidsramme
Diagnosemodellens ytelse i å differensiere spesifikke typer PCLs
Tidsramme: Innen 3 måneder etter fullføring av diagnostisk modelltrening.
Ytelsen til Cyst-AI-diagnostikkmodellen vil bli evaluert ved bruk av arealet under mottakeroperasjonskarakteristikkkurven (AUC-ROC), med følsomhet, spesifisitet, nøyaktighet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) beregnet fra modellens prediksjoner på det uavhengige valideringsdatasettet. PCLs: pankreatiske cystiske lesjoner.
Innen 3 måneder etter fullføring av diagnostisk modelltrening.
Den kliniske ledelsesytelsen til den kliniske ledelsesmodellen for slimholdige PCL-er
Tidsramme: Innen 3 måneder etter fullføring av opplæringen i klinisk behandlingsmodell.
Ytelsen til Cyst-AI kliniske ledelsesmodell for å gi nøyaktige kliniske anbefalinger, vil bli evaluert ved hjelp av området under mottakeroperasjonskarakteristikk-kurven (AUC-ROC), med sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) beregnet fra modellens prediksjoner på det uavhengige valideringsdatasettet. PCLs: pankreatiske cystiske lesjoner.
Innen 3 måneder etter fullføring av opplæringen i klinisk behandlingsmodell.
Modellens ytelse i å assistere endoskopister på ulike nivåer i diagnostisering og behandling av PCL-er
Tidsramme: Innen 1 måned etter fullføring av den menneske-maskin konfronterende kryssstudien
Ytelsen til Cyst-AI-modellen i å assistere endoskopister vil bli evaluert ved hjelp av området under mottakeroperasjonskarakteristikk-kurven (AUC-ROC), med sensitivitet, spesifisitet, nøyaktighet, positiv prediktiv verdi (PPV) og negativ prediktiv verdi (NPV) beregnet fra modellens prediksjoner på det uavhengige valideringsdatasettet. PCLs: pankreatiske cystiske lesjoner.
Innen 1 måned etter fullføring av den menneske-maskin konfronterende kryssstudien
Modellens innvirkning på endoskopisters beslutningsprosess
Tidsramme: Innen 1 måned etter fullføring av den menneske-maskin-konfronterende crossover-studien.
Spørreskjema for endoskopister etter vurdering vil bli brukt for å evaluere graden av påvirkning.
Innen 1 måned etter fullføring av den menneske-maskin-konfronterende crossover-studien.

Samarbeidspartnere og etterforskere

Det er her du vil finne personer og organisasjoner som er involvert i denne studien.

Sponsor

Huazhong University of Science and Technology

Studierekorddatoer

Disse datoene sporer fremdriften for innsending av studieposter og sammendragsresultater til ClinicalTrials.gov. Studieposter og rapporterte resultater gjennomgås av National Library of Medicine (NLM) for å sikre at de oppfyller spesifikke kvalitetskontrollstandarder før de legges ut på det offentlige nettstedet.

Studer hoveddatoer

Studiestart (Faktiske)

1. januar 2025

Primær fullføring (Antatt)

1. april 2026

Studiet fullført (Antatt)

1. juni 2026

Datoer for studieregistrering

Først innsendt

9. desember 2025

Først innsendt som oppfylte QC-kriteriene

5. mars 2026

Først lagt ut (Faktiske)

11. mars 2026

Oppdateringer av studieposter

Sist oppdatering lagt ut (Faktiske)

11. mars 2026

Siste oppdatering sendt inn som oppfylte QC-kriteriene

5. mars 2026

Sist bekreftet

1. mars 2026

Mer informasjon

Begreper knyttet til denne studien

Nøkkelord

Ytterligere relevante MeSH-vilkår

Andre studie-ID-numre

  • Cyst-AI 2024

Legemiddel- og utstyrsinformasjon, studiedokumenter

Studerer et amerikansk FDA-regulert medikamentprodukt

Nei

Studerer et amerikansk FDA-regulert enhetsprodukt

Nei

Denne informasjonen ble hentet direkte fra nettstedet clinicaltrials.gov uten noen endringer. Hvis du har noen forespørsler om å endre, fjerne eller oppdatere studiedetaljene dine, vennligst kontakt register@clinicaltrials.gov. Så snart en endring er implementert på clinicaltrials.gov, vil denne også bli oppdatert automatisk på nettstedet vårt. .

Abonnere